
تعداد نشریات | 13 |
تعداد شمارهها | 626 |
تعداد مقالات | 6,517 |
تعداد مشاهده مقاله | 8,746,955 |
تعداد دریافت فایل اصل مقاله | 8,317,538 |
مقایسه مدلهای نفوذ آب با تکیه بر تحلیل عدم قطعیت پارامتر در دو نوع بافت خاک | ||
مجله پژوهشهای حفاظت آب و خاک | ||
دوره 27، شماره 5، آذر و دی 1399، صفحه 249-262 اصل مقاله (825.96 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2021.17193.3266 | ||
نویسندگان | ||
ابراهیم علی نیا1؛ محسن پوررضا بیلندی* 2؛ عباس خاشعی سیوکی3 | ||
1علوم و مهندسی آب،دانشکده کشاورزی،دانشگاه بیرجند،بیرجند،ایران | ||
2دانشگاه بیرجند گروه مهندسی آب | ||
3عضو هیات علمی دانشگاه بیرجند | ||
چکیده | ||
سابقه و هدف: یکی از مواردی که در حفظ منابع آبی کشور میتوان انجام داد مصرف بهینهی آب در بخش کشاورزی و جلوگیری از هدررفت آبهای سطحی میباشد. یکی ازمؤلفههایی که در این امر نقش بسزایی دارد مسئلهی نفوذ آب در خاک است. نفوذ پذیری آب در خاک به شدت به عوامل محیطی، شرایط آب و هوایی، عرض جغرافیایی و مشخصات خاک بستگی دارد و دارای تغییر پذیری مکانی بالایی است. محققین مختلف از مدلهای مختلفی برای پیش بینی مقدار نفوذ آب در خاک استفاده میکنند که پیش بینی درست مقدار نفوذ و شناخت میزان خطا و عدم قطعیت هر یک از این مدلها با توجه به شرایط هر منطقه، امری ضروری است. تحقیقات زیادی در مورد برآورد کارایی مدلهای نفوذ آب در خاک انجام شده است، که در عموم این تحقیقات، صرفاً به بررسی مدلهای نفوذ و تأثیر قرار دادن فقط یکی از عوامل مؤثر بر نفوذ، پرداخته شده است. به این منظور هدف از این تحقیق، ارزیابی مدلهای نفوذ و تحلیل عدم قطعیت این مدلها با الگوریتم GLUE، با توجه به شرایط منطقه و تأثیر قرار دادن توأمان چند عامل مؤثر بر فرآیند نفوذ، میباشد. مواد و روشها: در این تحقیق، اندازهگیری مقدار نفوذ در یکی از مزارع شهرستان رشتخوار در سه تکرار آزمایش و در دو بافت خاک لوم شنی و لوم رسی با استفاده از روش استوانهی مضاعف انجام شد. ارزیابی و تحلیل عدم قطعیت روی چهار مدل نفوذ کاستیاکف، SCS، فیلیپ و هورتون صورت گرفت. برای تعیین عدم قطعیت این چهار مدل، از الگوریتم GLUE در محیط برنامه نویسی متلب استفاده گردید به این صورت که با اتصال این مدلهای نفوذ به GLUE، با 100000 تکرار، شبیه سازی انجام شد. یک درصد از بهترین شبیه سازیهای انجام شده (1000 تکرار آن) به عنوان بهترین شبیه سازیها انتخاب شدند. با رسم توزیع پسین پارامترها و رسم محدودهی اطمینان 95 درصد خروجی شبیه سازی شده، عدم قطعیت پارامترهای مدل تعیین شد. یافتهها: به منظور کمی سازی نتایج عدم قطعیت، از معیارهای "درصد قرارگیری دادههای اندازهگیری شده در محدوده اطمینان مورد نظر، پهنای باند دادههای شبیه سازی شده در محدوده اطمینان مورد نظر و دو معیار درجه عدم تقارن دادههای شبیه سازی شده در محدوده اطمینان مورد نظر" که به اختصار به ترتیب با حروف " P، d، s و T " نمایش داده شده است، استفاده شد نتایج نشان داد که پارامترهای مدل کاستیاکف در هر دو بافت خاک با مقدار P بیشتر، d کمتر، s بین صفر و 5/0 و T بین صفر و یک، عدم قطعیت کمتری را نشان می-دهند به طوریکه مقدار این شاخصها به ترتیب در خاک لوم شنی برابر با 100، 378/0، 055/0 و 388/0 و در خاک لوم رسی برابر با 100، 519/0، 147/0 و 558/0 به دست آمد. نتیجه گیری: با توجه به چهار معیار P، d، s و T ملاحظه شد که پارامترهای مدل کاستیاکف قطعیت بیشتری نسبت به پارامترهای سایر مدل ها برخوردار بود که میتوان این مدل را به عنوان یک مدل مناسب در نظر گرفت. | ||
کلیدواژهها | ||
مدلهای نفوذ؛ عدم قطعیت؛ GLUE؛ شبیه سازی نفوذ در خاک؛ رشتخوار | ||
مراجع | ||
1.Aghakhani Afshar, A., Hassanzadeh,Y., Pourreza Bilondi, M., and Memarian, H. 2019. Uncertainty analysis of a continuous hydrological model using DREAM-ZS algorithm. Iran. J. Sci. Technol. 44: 2-4. 1-17.
2.Ahmadi Zadeh, M., and Maroofi, S. 2017. Bayesian analysis and particle filter application in rainfall-runoff models and quantification of uncertainty. J. Water Soil Cons. 24: 1. 251-264.
3.Beven, K. 1993. Prophecy, reality and uncertainty in distributed hydrological modelling. Advances in water resources. 16: 1. 41-51.
4.Beven, K., and Binley, A. 1992. The future of distributed models: model calibration and uncertainty prediction. Hydrological processes. 6: 3. 279-298.
5.Blasone, R.S., Madsen, H., and Rosbjerg, D. 2008. Uncertainty assessment of integrated distributed hydrological models using GLUE with Markovchain Monte Carlo sampling. J. Hydrol. 353: 1-2. 18-32.
6.Clausnitzer, V., Hopmans, J.W., and Starr, J.L. 1998. Parameter uncertainty analysis of common infiltration models. Soil Sci. Soc. Amer. J. 62: 6. 1477-1487.
7.Dzotsi, K.A., Basso, B., and Jones, J.W. 2013. Development, uncertainty and sensitivity analysis of the simple SALUS crop model in DSSAT. Ecological Modelling. 260: 62-76.
8.Fakuri, T., Imami, H., and Gahreman, B. 2011. Effect of different uses on water penetration in soil. Water Research in Agriculture. 25: 2. 195-205.
9.Hamraz, B., Akbarpour, A., and Pourreza-Bilondi, M. 2015. Assessment of parameter uncertainty of modflow model using glue method (case study: birjand plain). J. Water Soil Cons. 22: 6. 61-79. 10.Imamifar, S., Davari, K., Ansari, H., Gahreman, B., Hosseini, M., and Nasseri, M. 2016. Uncertainty Analysis of DWB Model Using GLUE Method (Case Study: Novel Andarab andFaroub Watersheds). J. Water Soil Cons.6: 1. 125-142.
11.Jafarzadeh, M., Rouhani, H., Salmani, H., and Fath Abadi, A. 2016. Reducing uncertainty in a semi distributed hydrological modeling within theglue framework. J. Water Soil Cons.23: 1. 83-100.
12.Jin, X., Xu, C.Y., Zhang, Q., and Singh, V.P. 2010. Parameter and modeling uncertainty simulated by GLUE anda formal Bayesian method for a conceptual hydrological model. J. Hydrol. 383: 3-4. 147-155.
13.Neshat, A., and Pareh Kar, M. 2007. Comparison of methods for determining the velocity of water penetrationin soil. J. Agric. Sci. Natur. Resour.14: 3. 186-195.
14.Nourali, M., Ghahraman, B., Pourreza Bilondi, M., and Davary, K. 2017. Uncertainty estimation of HEC-HMS flood simulation model using Markov Chain Monte Carlo Algorithm. J. Water. Manage. Res. 8: 15. 235-249.
15.Pourreza Bilandi, M., Akhund Ali, A.M., Ghaherman, B., and Talouri, R. 2014. Uncertainty Analysis a single event distributed rainfall-runoff model with using two different Markov Chain Monte Carlo methods. J. Soil Cons. Res. 21: 5. 1-26.
16.Sepahvand, A., Tayyi Semiromi, M., Mirnia, Kh., and Moradi, H.R. 2010. Evaluation of the sensitivity of penetration models to soil moisture variability. J.Soil Water (Agricultural Sciences and Technology). 25: 2. 338-346.
17.Shafiei, M., Ghaherman, B., Saghafian, B., Davari, K., and Vazifeh Doost, M. 2014. Calibration and uncertainty analysis of SWAP model usingGLUE method. J. Water Res. Agric.28: 2. 477-488.
18.Shukla, M., Lal, R., Owens, L., and Unkefer, P. 2003. Land use and management impacts on structure and infiltration characteristics of soils in the North Appalachian region of Ohio. Soil Science. 168: 3. 167-177.
19.Stedinger, J.R., Vogel, R.M., Lee, S.U., and Batchelder, R. 2008. Appraisal of the generalized likelihood uncertainty estimation (GLUE) method. Water resources research. 44: 12.
20.Vrugt, J.A., Ter Braak, C.J., Gupta, H.V., and Robinson, B.A. 2009. Equifinality of formal (DREAM) and informal (GLUE) Bayesian approaches in hydrologic modeling?. Stochastic environmental research and risk assessment. 23: 7. 1011-1026.
21.Yan, Y., Liu, J., Zhang, J., Li, X., and Zhao, Y. 2017. Quantifying soil hydraulic properties and their uncertainties by modified GLUE method. International Agrophysics.31: 3. 433-445.
22.Yen, B.C., and Tang, W.H. 1976. Risk-Safety Factor Relation for Storm Sewer Design. J. Environ. Engin. Div. ASCE. 102(EE2): 509-516. | ||
آمار تعداد مشاهده مقاله: 340 تعداد دریافت فایل اصل مقاله: 367 |